پذیرش انواع پروژه سنجش از دور ( گوگل ارث انجین- ENVI) و جی ای اس - 09379280994

شاخص MNLI - شاخص غیرخطی اصلاح‌ شده پوشش گیاهی

شاخص MNLI یا Modified Non-Linear Index نسخه بهبود یافته شاخص Non-Linear Index (NLI) است که با الهام از شاخص SAVI اثر پس‌زمینه خاک را کاهش می‌دهد. این شاخص با استفاده از توان دوم باند NIR حساسیت بیشتری نسبت به تغییرات پوشش گیاهی، مخصوصاً در مناطق با بیومس بالا، ایجاد می‌کند.

ویژگی های کلی شاخص

ویژگی شاخص MNLI - شاخص غیرخطی اصلاح‌ شده پوشش گیاهی

اختصار: MNLI

معادل کامل: Modified Non-Linear Index

معادل فارسی: شاخص غیرخطی اصلاح‌شده پوشش گیاهی

نوع شاخص: شاخص پوشش گیاهی غیرخطی

کاربرد اصلی: پایش پوشش گیاهی متراکم و کاهش اثر اشباع NDVI

ویژگی کلیدی: افزایش حساسیت به بیومس بالا با کاهش اثر خاک

شاخص MNLI - شاخص غیرخطی اصلاح‌ شده پوشش گیاهی

NIR: باند مادون قرمز نزدیک
Red: باند قرمز
0.5: ضریب اصلاح اثر خاک (L)

Modified Non-Linear Index

کاربرد شاخص MNLI - شاخص غیرخطی اصلاح‌ شده پوشش گیاهی

MNLI یک شاخص غیرخطی پوشش گیاهی است که با استفاده از توان دوم بازتاب NIR، پاسخ طیفی پوشش گیاهی متراکم را تقویت می‌کند. این ویژگی باعث می‌شود مشکل اشباع شاخص‌های خطی مانند NDVI در جنگل‌ها و مناطق با تراکم زیاد گیاهی کاهش یابد.

افزودن ضریب اصلاح خاک نیز باعث می‌شود تأثیر روشنایی خاک و پس‌زمینه سطح زمین کاهش پیدا کند و سیگنال واقعی پوشش گیاهی بهتر استخراج شود.

کاربردهای شاخص:

  • پایش پوشش گیاهی با بیومس بالا
  • نقشه‌برداری بسته‌شدگی تاج جنگل (Forest Crown Closure)
  • برآورد شاخص سطح برگ (LAI)
  • تحلیل ساختار تاج پوشش جنگلی
  • مطالعات اکولوژیک جنگل
  • پایش ساختار پوشش گیاهی

تحلیل عددی شاخص

مقادیر منفی : خاک، مناطق بدون پوشش یا پوشش بسیار کم
مقادیر نزدیک صفر : پوشش گیاهی ضعیف
مقادیر مثبت متوسط : پوشش گیاهی فعال
مقادیر مثبت بالا : پوشش گیاهی متراکم و بیومس زیاد

دامنه مقادیر معمولاً بین −1 تا +1 قرار می‌گیرد، اما در مناطق با پوشش بسیار متراکم ممکن است مقادیر بزرگ‌تر نیز مشاهده شود.

سنجنده Red NIR
Landsat 8/9 (OLI) Band 4 Band 5
Landsat 5 TM / Landsat 7 ETM+ Band 3 Band 4
Sentinel-2 (MSI) Band 4 Band 8
MODIS Band 1 Band 2

Yang, Z., P. Willis, and R. Mueller. "Impact of Band-Ratio Enhanced AWIFS Image to Crop Classification Accuracy." Proceedings of the Pecora 17 Remote Sensing Symposium (2008), Denver, CO.

دیدگاهتان را بنویسید